3DCANN：用于 EEG 情绪识别的时空卷积注意力神经网络

基于摘要分析。本文针对 EEG 情绪识别中的多通道时空特征建模问题，提出 three-dimension convolution attention neural network（3DCANN），将时空特征提取与 EEG 通道注意力权重学习结合，用于情绪分类。 机制方面，模型由时空特征提取模块和 EEG 通道注意力权重学习模块组成，旨在捕捉多通道 EEG 的动态关系及连续时间段内的空间关系。提取的时空特征与双重注意力学习得到的权重融合，再输入 softmax 分类器。摘要未说明双重注意力的具体定义、卷积结构、输入表示、融合方式、损失函数及训练设置，这些细节尚未验证。 评估方面，作者使用 SJTU Emotion EEG Dataset（SEED）检验方法的可行性与有效性，并报告其 EEG 情绪识别表现优于所比较的先进模型。摘要未提供具体指标、数值或基线名称，也未交代属于被试内、跨被试还是跨会话评估，因此目前不能量化性能提升或判断跨被试泛化能力。 复现时应重点核对 EEG 预处理与样本构建、训练测试划分、注意力权重的计算及融合方式，以及各对照方法的评估条件是否一致。实验协议、消融及统计信息尚未验证；现有材料也不足以判断性能增益分别来自时空建模、通道注意力还是二者融合。该研究直接面向 EEG 情绪识别，但摘要中的结果不等同于在线 BCI 应用效果。